AI工程 on Plbear | 后端架构 · AI工程 · 云原生技术博客https://www.plbear.com/tags/ai%E5%B7%A5%E7%A8%8B/Recent content in AI工程 on Plbear | 后端架构 · AI工程 · 云原生技术博客Hugozh-cnTue, 01 Sep 2026 09:00:00 +0800我的 2026 技术雷达：AI 工程化的十个方向https://www.plbear.com/posts/2026-09-01-tech-radar-2026/Tue, 01 Sep 2026 09:00:00 +0800https://www.plbear.com/posts/2026-09-01-tech-radar-2026/2026 年 AI 工程化在往哪走？Agent 协作标准化、MCP 生态成熟、本地优先崛起、评估驱动开发——十个值得投入的方向和我的投入建议。AI 应用架构模式：从单体 Prompt 到分层系统https://www.plbear.com/posts/2026-08-25-ai-app-architecture/Tue, 25 Aug 2026 09:00:00 +0800https://www.plbear.com/posts/2026-08-25-ai-app-architecture/AI 应用有没有’架构’？有：交互层、编排层、能力层、数据层。从单体 Prompt 到分层系统，AI 应用架构的演进路径与分层模式。MCP 与 RAG 结合：Tool 即知识的边界https://www.plbear.com/posts/2026-08-04-mcp-rag-combination/Tue, 04 Aug 2026 09:00:00 +0800https://www.plbear.com/posts/2026-08-04-mcp-rag-combination/RAG 把知识喂给模型，MCP 把能力交给模型。两者结合：查询即检索（Tool 即知识）、边检索边思考、动态知识接入——知识型 Agent 的新架构。Agentic Workflow：人机协作的工程化https://www.plbear.com/posts/2026-06-16-agentic-workflow-hil/Tue, 16 Jun 2026 09:00:00 +0800https://www.plbear.com/posts/2026-06-16-agentic-workflow-hil/全自动 Agent 是理想，人机协作是现实：人在回路、关键节点审批、异常升级、自主度分级——Agentic Workflow 的工程化设计。RAG 评测：离线指标与线上效果的鸿沟https://www.plbear.com/posts/2026-06-02-rag-evaluation/Tue, 02 Jun 2026 09:00:00 +0800https://www.plbear.com/posts/2026-06-02-rag-evaluation/离线评测 recall@5 到 90%，上线后用户还是说’答非所问’？检索质量、生成质量、端到端三个层面，RAG 评测的真实方法与鸿沟分析。智能体编排：从链式到图式https://www.plbear.com/posts/2026-04-21-agent-orchestration-graph/Tue, 21 Apr 2026 09:00:00 +0800https://www.plbear.com/posts/2026-04-21-agent-orchestration-graph/链式编排写简单任务可以，复杂任务就死板。图式编排：节点（任务）+ 边（依赖）+ 条件（分支）——从线性到有向无环图的 Agent 编排演进。Agentic RAG：Agent 如何用工具迭代检索https://www.plbear.com/posts/2026-01-12-rag-agentic-tool-loop/Mon, 12 Jan 2026 09:00:00 +0800https://www.plbear.com/posts/2026-01-12-rag-agentic-tool-loop/传统 RAG 是’一次检索定生死’，Agentic RAG 让模型自己决定’搜什么、搜几次、要不要换关键词’。同一个知识库，从 55% 准确率提到 78%，代价是延迟和成本。AI 评测体系：从准确率到用户满意度https://www.plbear.com/posts/2025-06-10-ai-evaluation-system/Tue, 10 Jun 2025 09:00:00 +0800https://www.plbear.com/posts/2025-06-10-ai-evaluation-system/模型准不准，不能靠感觉。离线评测（评测集+指标）、在线评测（A/B+埋点）、业务指标（转化率）——三层 AI 评测体系，让每次优化都有数据背书。RAG 工程化：从切分到重排的调优实录https://www.plbear.com/posts/2025-06-10-rag-engineering-tuning/Tue, 10 Jun 2025 09:00:00 +0800https://www.plbear.com/posts/2025-06-10-rag-engineering-tuning/RAG demo 人人都能做，生产级 RAG 到处都是坑：切分粒度、召回策略、重排、上下文压缩。用招聘知识库做案例，把检索准确率从 55% 调到 85% 的完整记录。Agent 记忆体系：短期、长期与工作记忆https://www.plbear.com/posts/2025-01-28-agent-memory-system/Tue, 28 Jan 2025 09:00:00 +0800https://www.plbear.com/posts/2025-01-28-agent-memory-system/AI 面试官记不住候选人前面说过什么，是产品硬伤。短期记忆（上下文）、长期记忆（向量库）、工作记忆（状态）——Agent 记忆体系的设计与落地。AI 应用可观测：LLM 调用的追踪与评估https://www.plbear.com/posts/2024-12-04-llm-observability/Wed, 04 Dec 2024 09:00:00 +0800https://www.plbear.com/posts/2024-12-04-llm-observability/LLM 应用是个黑盒：为什么回答变差了？为什么 token 花了这么多？Prompt 追踪、成本审计、质量评估、A/B 实验——AI 应用的可观测体系搭建。LLM 幻觉治理：从 Prompt 到 RAG 到评测https://www.plbear.com/posts/2024-10-09-llm-hallucination-control/Wed, 09 Oct 2024 09:00:00 +0800https://www.plbear.com/posts/2024-10-09-llm-hallucination-control/幻觉是 LLM 的’天性’，治理是系统工程：Prompt 约束、RAG 兜底、引用强制、评测闭环。把 AI 面试的越级率打到 0% 的幻觉治理体系完整复盘。多智能体协作：从编排到协商https://www.plbear.com/posts/2024-07-16-multi-agent-collaboration/Tue, 16 Jul 2024 09:00:00 +0800https://www.plbear.com/posts/2024-07-16-multi-agent-collaboration/一个 Agent 搞不定复杂任务怎么办？编排（谁先谁后）、协商（意见冲突）、黑板模式（共享状态）——多智能体协作的三种模式与选型。